基于交替式超边神经元算法的阿尔茨海默症多模态脑网络融合

阿尔茨海默症(Alzheimer’s Disease, AD)是一种常见于中老年人的神经退行性疾病,其病理机制至今尚未明确。通过多模态脑影像来表征脑网络在阿尔茨海默症研究中已显示出巨大的潜力和前景。然而,由于多模态数据之间的异质性,现有大多数融合算法都不能有效利用不同模态数据之间的功能–结构互补信息。为解决上述问题,本文基于超图理论和生成对抗策略,提出了交替式超边神经元算法和最优超图同态算法的多模态脑网络计算方法。具体来说,首先将功能磁共振(fMRI)和弥散张量成像(DTI)利用最优超图同态算法进行超图数据构建,再利用交替式超边神经元算法对fMRI和DTI数据的功能–结构互补特征进行深度融合,最终学习得到疾病相关的多模态脑网络。该模型的优势在于能够最大限度地挖掘疾病相关互补信息,进行多层级交替式深度融合。实验结果表明,该模型不仅能提高阿尔茨海默症早期识别性能,而且能有效检测与阿尔茨海默症相关的异常脑连接作为疾病标志物,为病理机制溯源提供基础。

基于对抗图自编码的阿尔兹海默症脑网络分析

阿尔兹海默症(Alzheimer’s Disease, AD)的不同阶段会发生结构或功能连接的改变。这些基于连接的特征可以大大提高疾病诊断的准确性,并能给出疾病的成因解释。如何有效融合结构和功能影像来挖掘不同模态之间的互补信息仍然是一个挑战。本文提出了一种对抗图自编码器模型,来提取脑连接特征用于AD分析。具体地说,将扩散张量成像(Diffusion Tensor Imaging, DTI)和功能磁共振成像(functional Magnetic Resonance Imaging, fMRI)相结合,构建每个受试者的图结构数据。图编码器(生成器)将图数据转换为潜在表征。同时,利用fMRI数据估计潜在分布,对图编码器进行正则化约束,以保证良好的潜在表征。为了保证潜在表征的稳定性,图解码器从潜在表征中恢复图数据。最后,将潜在表征送给分类器,使其具有疾病类别信息。实验结果表明,该模型比其他相关模型具有更高的预测精度。总体而言,该方法可以重建AD早期的结构–功能连接,分析异常的脑连接并用于AD的早期诊疗研究。